Tensorflow：由于最佳（最低）成本，何时停止培训？

我正在使用TensorFlow使用LeNet网络对图像进行分类。我使用AdamOptimizer最小化成本函数。当我开始训练模型时，我可以观察到训练精度和验证精度以及成本都在变化，有时降低，有时增加

我的问题：我们应该什么时候停止训练？我们如何知道优化器将找到最低成本？我们应该进行多少次迭代训练？我们能否设置一个变量或条件，以最低成本停止

我的解决方案是定义一个全局变量（最小成本），并在每次迭代中检查成本是否降低，然后保存会话并用新成本替换最小成本。最后，我将以最低成本保存会话

这是正确的方法吗

---

提前感谢，

在训练神经网络时，通常会定义目标误差以及要训练的最大迭代次数。例如，目标错误可能是

0.001MSE

。一旦达到此错误，培训将停止-如果在最大迭代次数后未达到此错误，培训也将停止

但似乎你想训练，直到你知道网络不能做得更好。像您这样保存“最佳”参数是一种很好的方法，但请务必意识到，一旦达到某种最低成本，误差将不再波动那么大。错误不会突然显著增加，因此不完全需要保存网络

没有所谓的“最低成本”——网络总是试图达到某个局部最小值，而且它总是这样做。你们（或一个算法）真的无法找出再也并没有更好的错误了

---

tl；dr-只需设置一个合理的目标误差和最大迭代次数。

因此，在第一段中，你说我需要对模型进行大量迭代训练，它会在某个点收敛，对吗？问题是，您必须设置一个合理的错误目标-迭代次数应该是您知道网络应该收敛到最小值的数量。最大迭代次数是目标错误的回退。因此，我应该通过试错法找到最大迭代次数和目标错误？基本上是的，但我必须注意，您的第一个评论是正确的：将最大迭代次数设置为高值将意味着网络将尽可能收敛，因为经过大量迭代后，误差不会增加或增加。